7179 Arbeiten
Die Arbeit stellt eine intuitive algebraische Umformung der Yates-Kovarianzzerlegung des Brier-Scores vor, die die Bedingungen für perfekte probabilistische Vorhersagen als gleichzeitige Übereinstimmung von Varianz, perfekter positiver Korrelation und Mittelwert der Ergebnisse transparent macht.
Die Arbeit stellt IntSeqBERT vor, ein dual-stream Transformer-Modell, das durch die Kombination von logarithmischen Magnituden- und Sinus/Kosinus-Modulo-Einbettungen für 100 Restklassen die Vorhersage ganzzahliger Folgen aus der OEIS signifikant verbessert und dabei eine 7,4-fache Steigerung der Genauigkeit bei der nächsten-Term-Vorhersage im Vergleich zu herkömmlichen token-basierten Modellen erreicht.
Die Studie zeigt, dass in einem stochastischen Entscheidungsmodell auf Basis von Zeitreihen negative Autokorrelation in reward-reichen Umgebungen und positive Autokorrelation in reward-armen Umgebungen die Entscheidungsqualität optimiert, während bei einer Summe der Gewinnwahrscheinlichkeiten von genau 1 keine Abhängigkeit von der Autokorrelation besteht.
Die Studie zeigt, dass der Continuous-Time Koopman Autoencoder (CT-KAE) als leichtgewichtiges Ersatzmodell für die langfristige Vorhersage von Ozeanzuständen in einem zweischichtigen quasigeostrophischen System eine stabile und effiziente Alternative zu autoregressiven Transformer-Baselines darstellt, indem er nichtlineare Dynamiken in einen linearen latenten Raum projiziert und dabei über lange Zeiträume hinweg stabile Fehlerwachstumsraten sowie konsistente großskalige Statistiken gewährleistet.
Die Arbeit entwickelt ein theoretisches Modell, das zeigt, wie generative KI zwar individuelle Fertigkeiten angleicht, aber durch die Verlagerung von Wertschöpfung auf konzentrierte komplementäre Vermögenswerte zu zwei unterschiedlichen Regimen der Ungleichheit führen kann, wobei die endgültige Wirkung von der Technologiearchitektur und den Arbeitsmarktinstitutionen abhängt.
Die Arbeit stellt CDDS vor, einen neuartigen Algorithmus zur Kreuzmodalen Ausrichtung, der durch einen dualen UNet-Ansatz zur entkoppelten Trennung semantischer und modalspezifischer Informationen sowie eine Verteilungsstichprobenmethode zur Überbrückung der Modality Gap die wahre Semantik präziser ausrichtet und dabei bestehende State-of-the-Art-Methoden um 6,6 % bis 14,2 % übertrifft.
Die Arbeit stellt FuseDiff vor, ein end-to-end Diffusionsmodell, das durch die gemeinsame Generierung eines Liganden und zwei pockenspezifischer Bindungsposen unter Wahrung der Symmetrie und topologischen Konsistenz den Stand der Technik für das strukturbasierte Design von Dual-Ziel-Wirkstoffen verbessert.
Die Studie stellt eine prior-basierte, verteilungsrobuste Methode zur Schätzung individueller Behandlungsregeln vor, die durch die Integration multipler Datenquellen und die Berücksichtigung von Posterior-Shifts eine überlegene Entscheidungsqualität unter Worst-Case-Bedingungen gewährleistet.
Diese Studie entwickelt einen erklärbaren Machine-Learning-Pipeline, der Bulk- und Single-Cell-Transkriptomdaten aus Blut und Liquor integriert, um Multiple-Sklerose-Patienten präzise zu klassifizieren und durch SHAP-Analysen sowie Netzwerkanalysen neue pathogene Mechanismen und Biomarker wie nicht-kanonische Immun-Checkpoints und EBV-bezogene Signalwege aufzudecken.
Diese Arbeit nutzt eine lie-algebraische Kontrollperspektive, um zu zeigen, dass die Tiefe von parallelisierbaren Sequenzmodellen direkt mit der Mächtigkeit ihrer Lie-Algebra-Erweiterungen korreliert und dass der Approximationsfehler mit zunehmender Tiefe exponentiell abnimmt.
Diese Arbeit stellt eine Methode zur konditionalen Inferenz vor, die bei knappen gelabelten Daten und verfügbaren unlabeled Daten sowie einem Black-Box-Prädiktor durch eine Kombination aus kernelbasierter Lokalisierung und prädiktionsgestützter Varianzreduktion effiziente, nichtparametrische Schätzer und Konfidenzintervalle ermöglicht, die unabhängig von der Genauigkeit des Prädiktors gültig bleiben.
Die Arbeit stellt den Deep Koopman Speech Disentanglement Autoencoder (DKSD-AE) vor, ein strukturiertes Autoencoder-Modell, das durch die Kombination eines multi-stufigen Koopman-Operator-Lernmoduls mit Instanznormalisierung sprecher- und inhaltsabhängige Merkmale ohne textuelle Aufsicht effektiv trennt und dabei eine wettbewerbsfähige Sprecherüberprüfungsleistung bei deutlich weniger Parametern erzielt.
Die vorgestellte Arbeit entwickelt einen hybriden Heuristik-Verstärkungslern-Ansatz (HHRL), der Q-Learning mit heuristischen Methoden kombiniert, um die komplexe Optimierung von Rangiervorgängen in Güterbahnhöfen mit ein- und zweiseitigem Gleiszugang sowie mehreren Lokomotiven effizient zu lösen.
Diese Studie entwickelt ein GeoAI-Hybrid-Framework, das MGWR, Random Forest und ST-GCN integriert, um die nichtlinearen Wechselwirkungen zwischen Landnutzung und multimodalen Verkehrsflüssen in verschiedenen städtischen Morphologien präzise zu modellieren und dabei die Bedeutung des städtebaulichen Kontexts für die Verkehrsplanung unterstreicht.
Die Arbeit stellt BISE vor, eine Methode, die es ermöglicht, durch Pruning vortrainierte, voreingenommene neuronale Netze in faire und robuste Unterstrukturen zu überführen, ohne zusätzliche Daten oder ein erneutes Training zu benötigen.
Die Studie zeigt, dass das Vor-Training von Tokenisern für Physik-Foundation-Modelle die Recheneffizienz und Genauigkeit erheblich steigert, insbesondere wenn das Vor-Training auf demselben physikalischen System wie die nachgelagerte Aufgabe erfolgt.
Dieses Paper stellt den ersten gekoppelten Verifikationsrahmen für heatmap-basierte Schlüsselpunkt-Detektoren vor, der mittels eines gemischt-ganzzahligen linearen Programms (MILP) die gemeinsame Abweichung aller Schlüsselpunkte unter Berücksichtigung ihrer Interdependenzen formal verifiziert und damit robustere Garantien liefert als bisherige entkoppelte Ansätze.
Die Arbeit stellt das behavior-decomposed linear dynamical systems (b-dLDS)-Modell vor, das großflächige neuronale Aktivität in verhaltensbezogene und interne latente Dynamiken zerlegt, um deren Beziehung zum Verhalten aufzuklären und dabei sowohl auf simulierten als auch auf großen zebrafisch-Hirndaten über bestehende Ansätze hinausgeht.
Die Studie stellt RACAS vor, ein roboteragnostisches Agentic-System, das mittels natürlicher Sprache und großer Sprachmodelle diverse Roboterplattformen ohne Anpassung des Quellcodes steuern kann und so die Hürden für die Prototypenentwicklung senkt.
Diese Arbeit stellt ein domänenübergreifendes Framework vor, das es Verteidigern ermöglicht, basierend auf einem beobachteten Angriff die wahrscheinlichsten Merkmale des Angreifers zu identifizieren, um sowohl exogene Minderungsmaßnahmen zu ergreifen als auch die Leistung von Verteidigungsmethoden zu verbessern, obwohl der Angreifer ohne zusätzliche Informationen theoretisch nicht eindeutig identifizierbar ist.